Banca de QUALIFICAÇÃO: SAYONARA CRISTINA DE OLIVEIRA MAGALHÃES

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : SAYONARA CRISTINA DE OLIVEIRA MAGALHÃES
DATA : 11/09/2026
HORA: 09:30
LOCAL: meet.google.com/pys-gbtx-rrm
TÍTULO:

Modelo Preditivo de Mortalidade em Recém-Nascidos Prematuros

PALAVRAS-CHAVES:

Prematuridade; mortalidade infantil; aprendizado de máquina; modelo preditivo; XGBoost; validação temporal; SINASC; SIM.

PÁGINAS: 50
RESUMO:

A prematuridade representa uma das principais causas de mortalidade infantil no mundo e permanece como um importante desafio para a saúde pública brasileira, refletindo desigualdades regionais, condições socioeconômicas e diferenças no acesso à assistência pré-natal e perinatal. A identificação precoce de recém-nascidos prematuros com maior risco de óbito pode contribuir para o monitoramento intensivo, a priorização do atendimento e a alocação racional de recursos no Sistema Único de Saúde (SUS). Nesse contexto, este trabalho desenvolve e avalia um modelo preditivo baseado no algoritmo XGBoost para estimar o risco de mortalidade de recém-nascidos prematuros até 365 dias após o nascimento. O estudo utiliza uma coorte nacional obtida pela vinculação de dados dos sistemas SINASC e SIM, composta por 3.064.338 registros de nascimentos ocorridos entre 2014 e 2022, com prevalência de óbito de 1,78%. A metodologia contempla o tratamento do desbalanceamento de classes, validação cruzada estratificada, validação temporal prospectiva e otimização do limiar de decisão orientada à sensibilidade clínica. A seleção do limiar foi analisada segundo três critérios operacionais: maximização do recall com restrição mínima de precisão, maximização do F1-score e índice de Youden. O desempenho do modelo foi avaliado por métricas discriminativas, como AUC-ROC e AUPRC; métricas operacionais, incluindo precisão, recall, F1-score e MCC; e métricas de priorização, como Lift e ganho acumulativo. A estabilidade temporal foi investigada por meio de validação walk-forward anual, considerando seis janelas crescentes entre 2017 e 2022, incluindo os anos da pandemia de COVID-19. Também foi realizada uma análise sistemática de data drift nas 26 variáveis preditoras, utilizando o teste de Kolmogorov-Smirnov e o Population Stability Index (PSI). Os resultados indicam que o modelo apresenta potencial para apoiar a identificação de recém-nascidos prematuros com maior risco de mortalidade, podendo contribuir para o direcionamento de ações assistenciais e para a priorização de recursos em saúde pública.

MEMBROS DA BANCA:
Externo à Instituição - GABRIEL BEZERRA MOTTA CÂMARA - UFRN
Externa à Instituição - LUCILEIDE MEDEIROS DANTAS DA SILVA - IFRN
Presidente - 1837240 - MARCELO AUGUSTO COSTA FERNANDES